論文の概要: Error Mitigation for TDoA UWB Indoor Localization using Unsupervised Machine Learning

• arxiv url: http://arxiv.org/abs/2404.06824v1
• Date: Wed, 10 Apr 2024 08:23:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 15:10:01.514356
• Title: Error Mitigation for TDoA UWB Indoor Localization using Unsupervised Machine Learning
• Title（参考訳）: 教師なし機械学習によるTDoA UWB屋内位置推定の誤差軽減
• Authors: Phuong Bich Duong, Ben Van Herbruggen, Arne Broering, Adnan Shahid, Eli De Poorter,
• Abstract要約: UWB(Ultra-wideband)技術に基づく屋内位置決めシステムは,cmレベルの位置決め精度を提供する能力で認識されている。 これらのシステムは、密集したマルチパスのフェーディングによって引き起こされる問題にしばしば遭遇し、位置決めエラーを引き起こす。 深層クラスタリングを用いたアンカーノード選択のための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 1.7301470496485454
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Indoor positioning systems based on Ultra-wideband (UWB) technology are gaining recognition for their ability to provide cm-level localization accuracy. However, these systems often encounter challenges caused by dense multi-path fading, leading to positioning errors. To address this issue, in this letter, we propose a novel methodology for unsupervised anchor node selection using deep embedded clustering (DEC). Our approach uses an Auto Encoder (AE) before clustering, thereby better separating UWB features into separable clusters of UWB input signals. We furthermore investigate how to rank these clusters based on their cluster quality, allowing us to remove untrustworthy signals. Experimental results show the efficiency of our proposed method, demonstrating a significant 23.1% reduction in mean absolute error (MAE) compared to without anchor exclusion. Especially in the dense multi-path area, our algorithm achieves even more significant enhancements, reducing the MAE by 26.6% and the 95th percentile error by 49.3% compared to without anchor exclusion.
• Abstract（参考訳）: UWB(Ultra-wideband)技術に基づく屋内位置決めシステムは,cmレベルの位置決め精度を提供する能力で認識されている。 しかしながら、これらのシステムは、密集したマルチパスの消失に起因する問題にしばしば遭遇し、位置決めエラーを引き起こす。 この問題に対処するため,本論文では,深層クラスタリング(DEC)を用いたアンカーノード選択のための新しい手法を提案する。 我々のアプローチでは、クラスタリングの前にオートエンコーダ(AE)を使用し、UWB特徴を分離可能なUWB入力信号のクラスタに分離する。 さらに、クラスタの品質に基づいてこれらのクラスタをランク付けする方法についても検討し、信頼できない信号を除去できるようにします。 実験の結果,提案手法の有効性が示され,平均絶対誤差(MAE)はアンカー除去を伴わない場合に比べて23.1%減少した。 特に高密度なマルチパス領域では,より顕著な拡張が達成され,MAEが26.6%減少し,95%の誤差が49.3%減少する。

関連論文リスト

• K-GBS3FCM -- KNN Graph-Based Safe Semi-Supervised Fuzzy C-Means [0.0]
  本稿では,KNNグラフを用いた半教師付きファジィc-meansアルゴリズム(K-GBS3FCM)を提案する。 K-Nearest Neighbors (KNN)アルゴリズムを用いてラベル付きおよびラベルなしデータの近傍関係を動的に評価する。 ラベル付きデータの影響を正規化パラメータと平均安全性度によって調整する機構を提案する。
  論文  参考訳（メタデータ） (2024-11-22T04:48:58Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Semi-supervised Crowd Counting via Density Agency [57.3635501421658]
  我々は、学習可能な補助構造、すなわち密度エージェンシーを構築し、認識された前景の地域特徴を対応する密度サブクラスに近づける。 第2に,バックボーン特徴抽出器を統合するために,密度誘導型コントラスト学習損失を提案する。 第3に,前景の機能を改良するためにトランス構造を用いて回帰ヘッドを構築する。
  論文  参考訳（メタデータ） (2022-09-07T06:34:00Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• Pseudo-supervised Deep Subspace Clustering [27.139553299302754]
  オートエンコーダ (AE) ベースのディープサブスペースクラスタリング (DSC) 手法は優れた性能を発揮している。 しかし、AEの自己再建損失は、豊富な有用な関係情報を無視する。 また、セマンティクスラベルを供給せずにハイレベルな類似性を学ぶことも困難である。
  論文  参考訳（メタデータ） (2021-04-08T06:25:47Z)
• Learning-based Bias Correction for Time Difference of Arrival Ultra-wideband Localization of Resource-constrained Mobile Robots [8.016760287602084]
  超広帯域(UWB)到着時間差(TDOA)ベースのローカライゼーションは,多数のデバイスにスケール可能な,軽量で低コストなソリューションとして有望である。 しかし、標準の商用UWB無線のローカライゼーション精度は、しばしば測定バイアスと外れ値のために不十分である。 我々は,(i)学習に基づくバイアス補正と(ii)M推定に基づくロバストフィルタリングを併用して,アウトレーヤを扱う頑健なUWB TDOAローカライゼーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-02T17:31:32Z)
• CLAWS: Clustering Assisted Weakly Supervised Learning with Normalcy Suppression for Anomalous Event Detection [20.368114998124295]
  本稿では,多様体の寄与を考慮した弱教師付き異常検出手法を提案する。 提案手法は, UCF Crime と ShanghaiTech のデータセットでそれぞれ 83.03% と 89.67% のフレームレベルの AUC 性能を得る。
  論文  参考訳（メタデータ） (2020-11-24T13:27:40Z)
• Overcomplete Deep Subspace Clustering Networks [80.16644725886968]
  4つのベンチマークデータセットの実験結果から,クラスタリング誤差の観点から,DSCや他のクラスタリング手法に対する提案手法の有効性が示された。 また,本手法は,最高の性能を得るために事前学習を中止する点にDSCほど依存せず,騒音にも頑健である。
  論文  参考訳（メタデータ） (2020-11-16T22:07:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。